Kazanimlar:
- Kamera, radar, LiDAR ve sensör füzyonunun algılama zincirindeki rollerini ve SAE otomasyon seviyelerini açıklayabilme
- Nesne tespiti, sınıflandırma ve izleme için veri etiketleme, senaryo tanımı ve değerlendirme metriklerini kurgulayabilme
- Algılama modeli çıktısındaki uç durumları (edge case), yanlış pozitif/negatif dengesini ve güvenlik payını eleştirel değerlendirebilme
Bugünkü araçların çoğunda şeritten çıkma uyarısı, otomatik acil frenleme veya adaptif hız sabitleyici gibi özellikler var. Bunların hepsi ADAS (Advanced Driver Assistance Systems / Gelişmiş Sürücü Destek Sistemleri) şemsiyesi altındadır. Bu sistemlerin ve daha ileri otonom sürüşün kalbinde algılama (perception) yatar: aracın etrafındaki dünyayı sensörlerle "görmesi" ve yapay zeka ile "anlaması". Bu ünitede algılama zincirini, sensörleri, otomasyon seviyelerini ve en kritik konu olan güvenlik sınırlarını ele alacağız.
Baştan bir uyarı: Bu alan güvenlik-kritiktir. Algılama modeli bir yayayı görmezse sonuç ölümcül olabilir. Bu yüzden buradaki her AI çıktısı, güvenlik mühendisliği süreçleriyle (bir sonraki ünitelerde ISO 26262 ve SOTIF) çevrelenmelidir.
Sensörler: gözler, kulaklar ve radar
Bir otonom sürüş yığını farklı sensörleri birleştirir çünkü her birinin güçlü ve zayıf yanı vardır:
- Kamera: Renk, yazı (trafik levhası), şerit çizgisi ve nesne türünü en iyi kamera "görür". Ama gece, sis, güçlü güneş parlaması ve mesafe tahmininde zayıftır.
- Radar (Radio Detection and Ranging): Radyo dalgasıyla mesafe ve hız ölçer. Yağmur/sisten az etkilenir, hızı doğrudan (Doppler etkisiyle) ölçer; ama çözünürlüğü düşüktür, "bu bir yaya mı kutu mu" ayrımını zor yapar.
- LiDAR (Light Detection and Ranging): Lazer atarak etrafın hassas üç boyutlu "nokta bulutu"nu çıkarır; mesafe ve şekli çok iyi verir. Ama pahalıdır ve yoğun sis/yağmurdan etkilenebilir.
- Ultrasonik: Kısa menzil, park sensörü gibi.
Hiçbiri tek başına yeterli olmadığından sensör füzyonu yapılır: farklı sensörlerin verisi birleştirilerek her birinin zayıflığı diğerinin gücüyle kapatılır. Örneğin kamera "yaya" der, radar "12 metrede, 5 km/s yaklaşıyor" der; füzyon ikisini birleştirip güvenilir bir izlek (track) oluşturur.
İpucu: Bir algılama iddiasını değerlendirirken "hangi sensör bunu ne kadar iyi görebilir?" diye sorun. Kameranın gece mesafe tahmini zayıfsa, tek kameraya dayalı bir mesafe kararı şüphelidir.
Algılama zinciri
Ham sensör verisinden karara giden tipik zincir şöyledir:
- Algılama (detection): Görüntüde/nokta bulutunda nesneleri bulma ("burada bir araç var").
- Sınıflandırma (classification): Nesnenin türünü belirleme (yaya, bisiklet, araç, levha).
- İzleme (tracking): Nesneyi kareler arası takip etme, hız ve yön kestirme.
- Füzyon: Sensörleri birleştirip tutarlı bir dünya modeli kurma.
- Tahmin (prediction): "Bu yaya karşıya geçecek mi?"
- Planlama ve kontrol: Karar ve direksiyon/fren/gaz komutu.
Yapay zeka (özellikle derin öğrenme) 1-3. adımlarda çok güçlüdür; 5-6. adımlar giderek daha çok mühendislik kuralı ve güvenlik mantığıyla çevrelenir.
SAE otomasyon seviyeleri
Otonomluk "var/yok" değil, kademelidir. SAE J3016 standardı altı seviye tanımlar:
Seviye
Ad
Kim sürüyor?
Örnek
0
Otomasyon yok
Tümüyle sürücü
Sadece uyarı (kör nokta ikazı)
1
Sürücü desteği
Sürücü + tek destek
Adaptif hız VEYA şerit tutma
2
Kısmi otomasyon
Sürücü (sürekli gözetim)
Hız + şerit birlikte, sürücü sorumlu
3
Koşullu otomasyon
Sistem (belirli koşulda)
Belirli koşulda sistem sürer, sürücü devralmaya hazır
4
Yüksek otomasyon
Sistem (belirli alanda)
Tanımlı bölgede sürücüsüz
5
Tam otomasyon
Sistem (her koşulda)
Her yerde sürücüsüz (henüz yok)
Dikkat: En tehlikeli yanlış anlama Seviye 2'dir. Seviye 2'de araç direksiyon ve hızı destekler ama sürücü sürekli gözetim ve sorumluluğu elinde tutar. Sistemi "otopilot" sanıp dikkatini vermemek ölümcül kazalara yol açmıştır. Seviye 2 "sürücüsüz" demek değildir.
Değerlendirme metrikleri: yanlış pozitif ve yanlış negatif
Bir algılama modelini değerlendirirken iki hata türü kritiktir:
- Yanlış pozitif (false positive): Olmayan bir şeyi var sanmak. Örneğin köprü gölgesini "engel" sanıp gereksiz fren yapmak. Rahatsız edici ve bazen tehlikeli (arkadan çarpma).
- Yanlış negatif (false negatif / kaçırma): Var olan bir şeyi görememek. Örneğin gerçek bir yayayı görmemek. Otonom sürüşte bu, en ölümcül hatadır.
Bunları özetleyen metrikler:
- Precision (kesinlik): İşaretlediklerinin ne kadarı gerçekten doğru.
- Recall (duyarlılık): Gerçekte var olanların ne kadarını yakaladın.
- mAP (mean Average Precision): Nesne tespiti için yaygın birleşik metrik.
Otonom sürüşte yaya tespiti gibi konularda recall (hiçbir yayayı kaçırmama) hayatidir; bunu artırmak bazen yanlış pozitifi artırır. Bu denge, güvenlik mühendisliği kararıdır, saf model doğruluğu değil.
Uç durumlar (edge cases) ve uzun kuyruk
Otonom sürüşün en zor yanı sık görülen durumlar değil, nadir ve tuhaf durumlardır: kar altında yarı görünen levha, ters dönmüş kamyon, kostümlü bir yaya, yola düşmüş mobilya. Bu nadir ama tehlikeli durumlar bütününe uzun kuyruk (long tail) denir. Bir model milyonlarca "normal" kilometrede mükemmelken, hiç görmediği bir uç durumda başarısız olabilir. Bu yüzden senaryo tabanlı test, simülasyon ve gerçek dünya doğrulaması bitmez.
Mini vaka çalışmaları
Vaka 1 - Füzyonun değeri. Bir ADAS ekibi, otomatik acil frenlemeyi test ederken sadece kamerayla parlak güneşte önündeki koyu renkli aracı geç fark ettiğini görüyor. Radar verisi eklendiğinde (radar parlamadan etkilenmez) sistem aracı 0,4 saniye daha erken yakalıyor; bu 90 km/s'de yaklaşık 10 metre fren mesafesi demek. Sonuç: Füzyon, tek sensörün kör noktasını kapattı.
Vaka 2 - Recall/precision dengesi. Yaya tespit modelinin eşiği düşürülünce recall %96'dan %99'a çıkıyor ama yanlış pozitifler (gölge, çalı) artıyor, bu da gereksiz frenlemeye yol açıyor. Güvenlik ekibi kararı veriyor: yaya kaçırmamak öncelikli, ancak yanlış pozitifleri füzyon ve izleme mantığıyla eleyerek konfor korunuyor. Sonuç: Metrik seçimi bir mühendislik/güvenlik kararıdır, tek bir "doğru sayı" yoktur.
Vaka 3 - Uç durum sürprizi. Bir model, doğrulama setinde %99,8 başarılıyken sahada kar lastiği reklamı taşıyan bir kamyonun arkasındaki dev yaya fotoğrafını "gerçek yaya" sanıp ani fren yapıyor. Ekip bu uç durumu senaryo kütüphanesine ekliyor ve modeli yeniden eğitiyor. Sonuç: Uzun kuyruk asla "bitmez"; sürekli senaryo toplama gerekir.
Prompt şablonları
Şablon 1 - Senaryo listesi üretme:
Rol: ADAS test senaryo mühendisisin.Görev: Otomatik acil frenleme için zorlu (uç durum) testsenaryoları üret.Bağlam: Şehir içi, 30-50 km/s, yaya ve bisikletli karışık.Kısıt: Sık senaryoları değil, nadir/tehlikeli olanlarıönceliklendir; her senaryo için beklenen doğru davranışı yaz.Çıktı: Senaryo | koşul | beklenen davranış | risk seviyesi.
Şablon 2 - Etiketleme kılavuzu taslağı:
Rol: Veri etiketleme kalite lideri.Görev: Yaya etiketleme için tutarlılık kuralları taslağı yaz.Bağlam: Kısmen görünen, oturan, tekerlekli sandalyedeki vegrup halindeki yayalar var.Çıktı: Kural | örnek | sınır durum notu tablosu.
Şablon 3 - Metrik yorumlama:
Rol: Bilgisayarlı görü değerlendirme uzmanı.Görev: Yaya tespit sonuçlarımı yorumla.Bağlam: precision 0,93, recall 0,90, en çok kaçırma gece veyağmurda.Kısıt: Güvenlik açısından recall'ün önemini vurgula; hangikoşullarda ek doğrulama gerektiğini söyle.Çıktı: Yorum + öncelikli iyileştirme alanları.
Şablon 4 - Füzyon mantığı taslağı:
Rol: Sensör füzyonu mühendisisin.Görev: Kamera ve radar çelişince karar mantığı taslağı öner.Bağlam: Kamera 'yaya yok' derken radar 15 m'de hareketliküçük nesne görüyor.Kısıt: Emniyet lehine (güvenli taraf) varsayım ilkesini uygula.Çıktı: Karar tablosu + gerekçe.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Otonom araç modelim güvenli mi?
Bağlamsız; "güvenli" tanımsız; AI ancak genel laf eder ve yanıltıcı bir güven verebilir.
Güçlü prompt:
Rol: ADAS güvenlik değerlendirme danışmanısın.Görev: Yaya tespit modelimin güvenlik açıklarını sorgulamamiçin bir kontrol listesi çıkar.Bağlam: Şehir içi Seviye 2 sistem; gece ve yağmurda recalldüşüyor; sadece kamera + radar var, LiDAR yok.Kısıt: 'Güvenli' ilan etme; hangi koşullarda sistemin sınırınagelindiğini ve hangi ek testin şart olduğunu belirt.Çıktı: Risk alanı | neden | önerilen test | önem tablosu.
Sık yapılan hatalar
- Seviye 2'yi "sürücüsüz" sanmak. Sorumluluk sürücüdedir; bu yanılgı ölümcüldür.
- Tek sensöre güvenmek. Her sensörün kör noktası var; füzyon şarttır.
- Sadece ortalama doğruluğa bakmak. %99 başarı, kaçırılan %1 yaya ölümcül olabilir; recall ve uç durumlar kritiktir.
- Uç durumları görmezden gelmek. Uzun kuyruk asla bitmez; senaryo toplama süreklidir.
- Güvenlik kararını modele bırakmak. Eşik ve denge kararları güvenlik mühendisliğinindir.
Ozetle
- ADAS ve otonom sürüş algılamanın kalbinde kamera, radar, LiDAR ve sensör füzyonu vardır; her sensörün güçlü/zayıf yanı farklıdır.
- Algılama zinciri tespit, sınıflandırma, izleme, füzyon, tahmin ve kontrolden oluşur; AI ilk adımlarda güçlüdür.
- SAE seviyeleri 0-5 arasıdır; Seviye 2'de sorumluluk sürücüdedir.
- Yanlış negatif (yaya kaçırma) en ölümcül hatadır; recall ve uç durumlar önceliklidir.
- Güvenlik kararları mühendislik sorumluluğundadır; model doğruluğu tek ölçüt değildir.
Uygulama gorevi
Bir ADAS işlevi seçin (ör. şerit tutma yardımı). (1) Hangi sensörlerin bu işlevi ne kadar iyi desteklediğini bir tabloya yazın. (2) Şablon 1 ile 5 uç durum senaryosu üretin ve her biri için beklenen güvenli davranışı belirtin. (3) Bu işlev için yanlış pozitif ve yanlış negatifin sonuçlarını karşılaştırın. (4) Modelin "güvenli" olduğunu iddia etmeden önce hangi bağımsız testlerin gerektiğini listeleyin.
Kontrol listesi
- [ ] Sensörlerin güçlü/zayıf yanlarını işleve göre değerlendirdim.
- [ ] Uç durum (long tail) senaryolarını ayrıca listeledim.
- [ ] Yanlış pozitif/negatif sonuçlarını güvenlik açısından karşılaştırdım.
- [ ] Recall'ün güvenlik-kritik önemini dikkate aldım.
- [ ] SAE seviyesini ve sorumluluğun kimde olduğunu netleştirdim.
- [ ] "Güvenli" iddiasından önce bağımsız test planı hazırladım.